脉冲神经网络分类能力的鲁棒性
机器学习
2018-01-31 v1 机器学习
摘要
众所周知，人工神经网络（ANNs）的鲁棒性对于其广泛应用十分重要。本文关注于接收受扰动输入的脉冲神经网络的分类能力的鲁棒性。实际上，所允许的扰动可以是任意形式。然而，高斯扰动及其他规则扰动却鲜有研究。对于分类问题，在输入空间中越接近目标点，受扰动的点越多。此外，扰动可能是周期性的。基于这些事实，本文仅考虑正弦扰动和高斯扰动。利用 SpikeProp 算法，我们在经典的 XOR 问题及其他三个基准数据集上进行了大量实验。数值结果表明，若输入信号受到正弦和高斯扰动，网络的分类能力并无显著下降。
引用
@article{arxiv.1801.09827,
title = {Robustness of classification ability of spiking neural networks},
author = {Jie Yang and Pingping Zhang and Yan Liu},
journal= {arXiv preprint arXiv:1801.09827},
year = {2018}
}
备注
Aceppted by Nonlinear Dynamics